こんにちは。エンジニアライターの小原です。

連載「現場にコミットする機械学習ノート」では、論文を詳しく読み解きながら、現場で使えるAI実装のヒントを記録していきたいと思います。

前々回から数回にわたって、農業のDXに使えそうな「衛星データ×土地分類」の研究を紹介しています。データの種類、手法を記事ごとに比較してみると面白いかもしれません。

前回の記事では、「CNNによる土地の分類」を扱いました。今回は、スウェーデンのオレブロ大学のM. Längkvistらが2016年4月に発表した「土地分類の一般化」に関する論文を扱っていきます。

もくじ
1章　衛星データのセグメンテーションにおける課題
2章　一般化に向けた複数CNNによる土地分類
2.1　研究手法
2.1.1　データ
2.1.2　ラベル付け
2.1.3　アルゴリズム
2.1.4　単一・複数CNNによるピクセル単位の分類
2.1.5　後処理
2.1.6　特徴量を決定するための実験
2.2　研究結果
2.2.1　特徴量選択を決定するための実験結果
2.2.2　単一CNN、複数CNNと従来のモデルとの比較結果
2.2.3　複数CNNを用いた場合の混同行列
2.2.4　後処理を行った場合と行わなかった場合の比較
2.2.5　分類結果の可視化

【現場にコミットする機械学習ノート・バックナンバー】

【vol.1】ウェハーの欠陥の分類
【vol.2】うつ病の分類
【vol.3】RNNによる農地作物の分類 #農業DXシリーズ
【vol.4】CNNによる土地の分類 #農業DXシリーズ
【vol.5】土地分類の一般化 #農業DXシリーズ
【vol.6】エッジデバイスで動く異常検知システム
【vol.7】エッジAIで異常を早期警告」
【vol.8】監視カメラ映像から危険物を検出
【vol.9】冬の画像を夏の画像に変換するAI技術
【vol.10】フルHDのアイトラッキング
【vol.11】可視光データで洪水状況を把握
【vol.12】衛星データとGoogle Earthエンジンで洪水を把握
【vol.13】音響を深層学習で船舶の種類を分類
【vol.14】キャベツ苗の欠陥を識別

すべてのバックナンバーはこちら

■前回の記事：【vol.4】CNNによる土地の分類

1章
衛星データのセグメンテーションにおける課題

高解像度なリモートセンシング（HRRS）データが利用可能になったことで、個々の物体のより詳細なピクセル単位での分類など、様々な分野における応用が期待されています。

収集した衛星データを認識するアルゴリズムは多く開発されてきましたが、それらのアルゴリズムが直面している課題の一つは、他の領域に適用できないことです。画像のセグメンテーションと分類のための多くのソリューションは、ある特定の問題や領域に対しては完璧に機能しますが、一般性に欠けていることがあります。アルゴリズムの一般化の問題に対処するための一つの可能な方法は、深層学習アルゴリズムを用いることです。

2章
一般化に向けた複数CNNによる土地分類

まずはM. Längkvistらの研究におけるミッション・手法・結果をまとめます。